CT-SDM：用于稀疏视图 CT 重构的采样扩散模型
计算机视觉与模式识别
2024-09-04 v1
摘要
稀疏视图 X 射线计算机断层成像日益成为一种缓解辐射剂量的技术。由于投影视图数量的减少，传统的重建方法会导致严重的伪影。最近的研究利用深度学习方法在稀疏视图计算机断层成像（SVCT）上取得了消除伪影的令人鼓舞的进展。然而，鉴于深度学习模型泛化能力的限制，当前方法通常在固定的采样率上训练模型，影响其在实际临床环境中部署的可用性和灵活性。为此，我们提出一种自适应重建方法，以实现任意采样率下的高性能 SVCT 重构。具体而言，我们设计了一种新颖的成像退化算子用于 SVCT（CT-SDM）的采样扩散模型，以模拟 sinogram 域中的投影过程。因此，CT-SDM 可以逐步添加投影视图以从高度欠采样的测量中推广到完整的 sinogram。通过选择合适的扩散推理起始点，该模型仅使用一个训练好的模型即可从任意采样率恢复完整的 sinogram。实验在多个数据集上验证了该方法的有效性和鲁棒性，表明其在各种采样率下重建高质量图像的优越性。
引用
@article{arxiv.2409.01571,
title = {CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates},
author = {Liutao Yang and Jiahao Huang and Guang Yang and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2409.01571},
year = {2024}
}